农行蔡睿:发挥数据要素乘数效应,推动金融数据要素共享与应用

农行蔡睿:发挥数据要素乘数效应,推动金融数据要素共享与应用

00:00
07:59

数字经济背景下,数据已成为金融业重要生产要素。强化数据能力建设、推动数据有序共享、深化数据融合应用、做好数据安全保护、释放金融数据要素潜能,正成为金融业数字化转型的重要驱动力和关键支撑力。

近日,国家数据局会同中国人民银行等相关部门发布了《“数据要素×”三年行动计划》,旨在推动数据要素多场景、高水平应用,实现数据要素对经济发展的倍增效应,促进我国数据基础资源优势向经济发展优势转化。

此前中国人民银行印发《金融科技发展规划》,明确要释放金融数据要素价值,发布实施《关于加强金融数据管理与应用的通知》,为金融机构开展数据工作提供指引。

对此,新京报贝壳财经记者就发挥数据要素乘数效应,推动金融数据要素共享与应用等问题专访了中国农业银行科技与产品管理局副处长蔡睿。

蔡睿指出,《行动计划》的实施将为金融行业带来数据价值化和数据要素化等多方面的机遇和挑战,金融机构应积极响应《行动计划》的任务要求,落实数字化转型重点工作,发挥数据要素乘数效应,推动数据要素共享与应用,提高风险管理能力和服务实体经济的水平。

夯实数据资产管理能力,解决数据供给不足问题

蔡睿表示,金融机构积累沉淀了大量数据资源,需要将原始数据转变成数据资产,使数据的潜在要素价值得以充分释放。金融机构通过提升数据资产质量、扩大数据资产运营、完善数据资产估值与定价,形成数据供给端与数据消费端之间数据质量、数据时效、数据价值的反馈闭环。通过提高数据治理能力、强化数据资产管理、构建数字化经营能力,促进数据资产化、资产业务化、业务价值化,解决数据供给不足问题。

完善大数据湖仓平台、数据中台等基础平台,通过基础平台沉淀批量数据、实时数据及外部数据,完善数据质量、数据标准和数据安全管理能力,实现全行数据规范化、标准化组织,数据资产服务模式便捷化和友好化。建立门类齐全的数据资产体系,明确数据资产管理建设思路,实现数据资产盘点登记,建成好用、易用的企业级数据资产目录和资产地图。打造数据运营中心,建立完整的数据查看、选择、使用、治理、评价流程,丰富数据运营指标集,建立健全数据运营指标体系。推动金融数据运营从服务和支持业务经营管理,逐步向数据价值运营和数据交易运营转型。

多元场景释放数据要素价值,牵引数据生态建设

蔡睿认为,金融行业是典型的数据驱动行业,金融大数据在交易欺诈识别、精准营销、黑产防范、消费信贷、信贷风险评估、供应链金融、行情预测、智能投顾、骗保识别、风险定价等涉及银行、证券、保险、支付清算等多领域的具体业务中均有广泛应用。搭建开放化平台,连接多元数字化场景,构建开放、合作、共赢的数据生态圈,有助于重塑金融智慧服务,释放数据要素价值,实现用户、金融机构和合作方多方共赢发展。

在精准营销方面,依托大数据技术手段能够更加准确、实时、动态掌握更多用户细节、构建用户画像,并通过客户细分来推荐金融产品达到精准营销、实时营销等个性化智慧营销,为用户提供更好的金融服务。在风险防控方面,运用大数据技术分析信息内在关系,提高风险甄别能力和控制能力,实现对各类风险的识别分类,预测可能存在的风险行为,实现对金融风险的智能化、实时化控制管理。在服务创新方面,针对不同特征及需求的客户提供“千人千面”的个性化服务,构建与客户间的线上线下全渠道交互,增加客户黏性,增强金融机构核心竞争力。在构建数字金融生态方面,以金融机构为主体,广泛联合政府机关、科技公司、各类商业场景企业共同搭建开放数据生态。

推动数据要素流通共享,探索安全合规机制

蔡睿指出,如何在安全合规的前提下有效利用数据,推动数据的流通共享与开发利用,实现数据价值的最大化,是《行动计划》的重要目标之一。海量数据蕴含巨大的潜能,但由于其天然的流动性、可复制性特征,也带来安全和隐私保护问题。数据一旦被非法复制转售,数据原始产权方将失去其控制权和收益权,同时数据流通链路的各环节都面临数据泄露、隐私侵犯等一系列风险。因此,安全合规高效的数据要素共享成为数据赋能的根本条件,贯穿在数据要素流通的全过程中。

规范外部数据流通共享,融合内外部数据,打破信息壁垒。通过接入工商、农业、运营商、税务、保险、司法、公安、知识产权、电商等数据服务,强化与内部数据关联整合,形成对客户的多维立体描述,有效提升金融机构业务经营与对客服务水平。同时,需规范外部数据流通共享渠道,加大数据合作安全监督检查力度,探索建立以密码技术应用为基础的数据合作信任体系,保障数据合作的安全性和可持续性。

打造数据隐私计算能力,通过隐私计算赋能数据价值的安全释放,以数据可用不可见的形式,发挥数据要素倍增作用。建立隐私计算的模型及算子库,形成隐私计算跨平台互联互通规范,以更安全为目标不断推动平台演进。加强大模型等新技术探索,大模型对大量数据的训练,可提高隐私计算效率,对数据同态加密、脱敏处理,可提升隐私计算安全性,还可以为隐私计算提供更复杂的模型构建能力,创新隐私计算应用场景。高性能大模型的引入为数据隐私保护和算法效率提升提供了一条全新的路径,使得安全、有序、高效的数据流通共享成为可能。

以上内容来自专辑
用户评论

    还没有评论,快来发表第一个评论!